Diagnoseunsicherheit: Der eigentliche Kostentreiber im Service

Was Diagnoseunsicherheit bedeutet

Ein Kunde meldet eine Störung. Was er beschreibt, ist ein Symptom — das Gerät läuft nicht, es macht ein Geräusch, eine Anzeige leuchtet. Zwischen diesem Symptom und der Ursache liegt eine Unsicherheit, die der Serviceprozess irgendwie überbrücken muss, bevor er handeln kann. Diese Lücke ist die Diagnoseunsicherheit.

Traditionell wird sie mit dem teuersten verfügbaren Mittel überbrückt: Man schickt einen Menschen hin, der nachsieht. Der Besuch ist dabei nicht die Lösung, sondern das Diagnoseinstrument — und genau deshalb ist er so teuer.

Wo sie sich in Kosten übersetzt

Vier Kostenarten entstehen direkt aus dem Nichtwissen. Der Zweitbesuch, weil das Teil fehlte. Die falsche Qualifikation, weil das Problem anders war als angenommen. Der Ersatzteilbestand, der zu groß ist, weil man für alle Fälle gerüstet sein will — und trotzdem beim seltenen Fall nichts hat. Und der verlängerte Stillstand beim Kunden, der in industriellen Anwendungen die Reparaturkosten oft um ein Vielfaches übersteigt.

Diese Kosten tauchen in keiner Position auf, die „Diagnose“ heißt. Sie verteilen sich auf Logistik, Personal, Lager und Kulanz — und werden deshalb selten als das gesehen, was sie sind: eine einzige Ursache mit vier Rechnungen.

Was KI daran ändert

Der Schritt vom Symptom zur wahrscheinlichen Ursache war jahrzehntelang teuer, weil er Erfahrung brauchte — und Erfahrung saß in Köpfen, die man bezahlen und hinschicken musste. Moderne Modelle können diesen Schritt zu sehr geringen Grenzkosten leisten, sofern die Grundlage stimmt: strukturierte Geräte- und Fehlerdaten, gepflegte Dokumentation, saubere Teilestämme.

Genau diese Grundlage ist der eigentliche Engpass. Der Sprung vom Dokument zur abfragbaren Struktur ist die Vorbedingung für alles Weitere — und er ist der Schritt, den kein Softwarekauf ersetzt. Wer ihn überspringt, kauft einen Assistenten, der auf unbrauchbaren Daten rät.